一种公众责任险保单的核保方法和装置技术领域
本发明涉及金融服务领域，尤其涉及一种公众责任险保单的核保方法和装置。
背景技术
所谓公众责任，是指致害人在公众活动场所的过错行为致使他人的人身或财产遭
受损害，依法应由致害人承担的对受害人的经济赔偿责任。公众责任的构成，以在法律上负
有经济赔偿责任为前提，其法律依据是各国的民法及各种有关的单行法规制度。此外，在一
些并非公众活动的场所，如果公众在该场所受到了应当由致害人负责的损害，亦可以归属
于公众责任。因此，各种公共设施场所、工厂、办公楼、学校、医院、商店、展览馆、动物园、宾
馆、旅店、影剧院、运动场所，以及工程建设工地等，均存在着公众责任事故风险。这些场所
的所有者、经营管理者等均需要通过投保公众责任保险来转嫁其责任。从而，对于承包公众
责任险的保险公司来说，如何高效、准确地对这类公众责任险进行风险评估就显得极其重
要。
目前，保险公司一般通过专业的核保人员对公众责任险的保单进行风险评估和报
价，核保人员得出的核保结果将直接影响保单风险标的的报价以及保险公司的风控管理。
然而，公众责任险保单的核保准确率往往与核保人员的专业水平以及从业经验密
切相关，不同核保人员对同一件公众责任险保单可能得出不同的核保结果，使得公众责任
险保单的核保准确率受到极大影响；另外，通过核保人员进行人工风险评估，在保证准确率
的前提下往往难以提高核保效率，在面对大量的公众责任险保单核保任务时，大大增加了
核保成本。
发明内容
本发明实施例提供了一种公众责任险保单的核保方法和装置，能够提高公众责任
险保单的核保效率和准确率。
本发明实施例提供的一种公众责任险保单的核保方法，包括：
获取目标公众责任险保单以及目标报价人信息；
根据所述目标公众责任险保单的风险标的信息和投保人信息计算风险标的的第
一核保因子；
按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，
得到所述风险标的的第二核保因子；
将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度学
习模型；
获取所述深度学习模型的输出作为所述目标公众责任险保单的核保结果。
可选地，所述深度学习模型由以下步骤预先训练得到：
获取作为样本的公众责任险保单以及与所述公众责任险保单对应的报价人信息；
根据所述公众责任险保单的风险标的信息和投保人信息计算风险标的的第一样
本因子；
按照预设的向量模型对所述公众责任险保单的风险标的信息和所述报价人信息
进行向量提取，得到风险标的的第二样本因子；
将所述第一样本因子和所述第二样本因子作为输入投入至所述深度学习模型，得
到所述深度学习模型的输出；
将得到的所述输出作为目标，调整所述深度学习模型的隐层参数，以最小化得到
的所述输出与所述公众责任险保单的核保结果之间的误差；
若所述误差满足预设条件，则确定当前的所述深度学习模型为训练好的深度学习
模型。
可选地，所述风险标的信息包括风险标的的类型、地理位置信息、赔偿限额和安全
设施信息；
所述根据所述目标公众责任险保单的风险标的信息和投保人信息计算风险标的
的第一核保因子具体包括：
查询所述风险标的的类型对应的标的类型基准损失率作为第一低层调整因子；
确定与所述投保人信息对应的第二低层调整因子；
确定与所述风险标的的地理位置信息对应的第三低层调整因子；
确定与所述风险标的的赔偿限额对应的第四低层调整因子；
确定与所述风险标的的安全设施信息对应的第五低层调整因子；
对所述第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层调整
因子和第五低层调整因子进行预处理，得到所述风险标的的第一核保因子。
可选地，所述风险标的信息包括风险标的的承保范围、保额、历史赔付率、市场环
境信息和商业竞争信息，所述目标报价人信息包括目标报价人的保险公司信息；
所述按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量
提取，得到所述风险标的的第二核保因子具体包括：
确定与所述风险标的的承保范围对应的第一数值；
确定与所述风险标的的保额对应的第二数值；
确定与所述风险标的的历史赔付率对应的第三数值；
确定与所述风险标的的市场环境信息对应的第四数值；
确定与所述风险标的的商业竞争信息对应的第五数值；
确定与所述目标报价人的保险公司信息对应的第六数值；
将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入预设
的向量模型，得到所述风险标的的第二核保因子。
可选地，所述获取所述深度学习模型的输出作为所述目标公众责任险保单的核保
结果具体包括：
判断所述深度学习模型的输出是否满足预设的阈值条件；
若所述深度学习模型的输出不满足预设的阈值条件，则将所述目标公众责任险保
单对应的输入和输出作为负样本反馈至所述深度学习模型，以修正所述深度学习模型的隐
层参数；
若所述深度学习模型的输出满足预设的阈值条件，则确定所述深度学习模型的输
出为所述目标公众责任险保单的核保结果，并将所述目标公众责任险保单对应的输入和输
出确定为用于训练所述深度学习模型的新增的正样本。
本发明实施例提供的一种公众责任险保单的核保装置，包括：
信息获取模块，用于获取目标公众责任险保单以及目标报价人信息；
第一核保因子计算模块，用于根据所述目标公众责任险保单的风险标的信息和投
保人信息计算风险标的的第一核保因子；
第二核保因子获取模块，用于按照预设的向量模型对所述风险标的信息和所述目
标报价人信息进行向量提取，得到所述风险标的的第二核保因子；
输入模块，用于将所述第一核保因子和所述第二核保因子作为输入投入至预先训
练好的深度学习模型；
核保结果获取模块，用于获取所述深度学习模型的输出作为所述目标公众责任险
保单的核保结果。
可选地，所述深度学习模型由以下模块预先训练得到：
样本获取模块，用于获取作为样本的公众责任险保单以及与所述公众责任险保单
对应的报价人信息；
第一样本因子计算模块，用于根据所述公众责任险保单的风险标的信息和投保人
信息计算风险标的的第一样本因子；
第二样本因子获取模块，用于按照预设的向量模型对所述公众责任险保单的风险
标的信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子；
学习模型训练模块，用于将所述第一样本因子和所述第二样本因子作为输入投入
至所述深度学习模型，得到所述深度学习模型的输出；
隐层参数调整模块，用于将得到的所述输出作为目标，调整所述深度学习模型的
隐层参数，以最小化得到的所述输出与所述公众责任险保单的核保结果之间的误差；
学习模型确认模块，用于若所述误差满足预设条件，则确定当前的所述深度学习
模型为训练好的深度学习模型。
可选地，所述风险标的信息包括风险标的的类型、地理位置信息、赔偿限额和安全
设施信息；
所述第一核保因子计算模块具体包括：
第一因子单元，用于查询所述风险标的的类型对应的标的类型基准损失率作为第
一低层调整因子；
第二因子单元，用于确定与所述投保人信息对应的第二低层调整因子；
第三因子单元，用于确定与所述风险标的的地理位置信息对应的第三低层调整因
子；
第四因子单元，用于确定与所述风险标的的赔偿限额对应的第四低层调整因子；
第五因子单元，用于确定与所述风险标的的安全设施信息对应的第五低层调整因
子；
因子预处理单元，用于对所述第一低层调整因子、第二低层调整因子、第三低层调
整因子、第四低层调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核
保因子。
可选地，所述风险标的信息包括风险标的的承保范围、保额、历史赔付率、市场环
境信息和商业竞争信息，所述目标报价人信息包括目标报价人的保险公司信息；
所述第二核保因子获取模块具体包括：
第一数值单元，用于确定与所述风险标的的承保范围对应的第一数值；
第二数值单元，用于确定与所述风险标的的保额对应的第二数值；
第三数值单元，用于确定与所述风险标的的历史赔付率对应的第三数值；
第四数值单元，用于确定与所述风险标的的市场环境信息对应的第四数值；
第五数值单元，用于确定与所述风险标的的商业竞争信息对应的第五数值；
第六数值单元，用于确定与所述目标报价人的保险公司信息对应的第六数值；
向量模型导入单元，用于将所述第一数值、第二数值，第三数值、第四数值、第五数
值和第六数值导入预设的向量模型，得到所述风险标的的第二核保因子。
可选地，所述核保结果获取模块具体包括：
输出判断单元，用于判断所述深度学习模型的输出是否满足预设的阈值条件；
负样本反馈单元，用于若所述深度学习模型的输出不满足预设的阈值条件，则将
所述目标公众责任险保单对应的输入和输出作为负样本反馈至所述深度学习模型，以修正
所述深度学习模型的隐层参数；
正样本反馈单元，用于若所述深度学习模型的输出满足预设的阈值条件，则将所
述目标货运险保单对应的输入和输出作为正样本反馈至所述深度学习模型，以指导所述深
度学习模型的隐层参数学习；
核保结果确定单元，用于若所述深度学习模型的输出满足预设的阈值条件，则确
定所述深度学习模型的输出为所述目标公众责任险保单的核保结果。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，首先，获取目标公众责任险保单以及目标报价人信息；然后，根
据所述目标公众责任险保单的风险标的信息和投保人信息计算风险标的的第一核保因子；
按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述
风险标的的第二核保因子；接着，将所述第一核保因子和所述第二核保因子作为输入投入
至预先训练好的深度学习模型；最后，获取所述深度学习模型的输出作为所述目标公众责
任险保单的核保结果。在本发明实施例中，根据目标公众责任险保单的相关信息和目标报
价人信息计算得到第一核保因子和第二核保因子，并将这两个因子作为预先训练好的深度
学习模型的输入，从而将得到的深度学习模型的输出作为核保结果，利用深度学习模型自
动实现公众责任险保单的核保，避免了核保结果受核保人员的专业水平以及从业经验影响
的问题，提高了公众责任险保单的核保准确率；并且，在保证准确率的前提下大大提升了核
保效率，在面对大量的公众责任险保单核保任务时，也能快速完成核保任务，降低了核保成
本。
附图说明
图1为本发明实施例中一种公众责任险保单的核保方法一个实施例流程图；
图2为图1对应实施例中一种公众责任险保单的核保方法的步骤102在一个应用场
景下的流程示意图；
图3为图1对应实施例中一种公众责任险保单的核保方法的步骤103在一个应用场
景下的流程示意图；
图4为图1对应实施例中一种公众责任险保单的核保方法的步骤104在一个应用场
景下的流程示意图；
图5为本发明实施例中一种公众责任险保单的核保装置一个实施例结构图。
具体实施方式
本发明实施例提供了一种公众责任险保单的核保方法和装置，用于解决现有公众
责任险保单通过核保人员进行人工核保，核保准确率受到核保人员的专业水平以及从业经
验的影响以及难以提高核保效率的问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明
实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述
的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域
普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护
的范围。
请参阅图1，本发明实施例中一种公众责任险保单的核保方法一个实施例包括：
101、获取目标公众责任险保单以及目标报价人信息；
本实施例中，首先，可以获取目标公众责任险保单以及目标报价人信息。
可以理解的是，上述目标公众责任险保单包括公众责任险的风险标的信息、投保
人信息等与保单相关的信息，并且，还可以通过该目标公众责任险保单的保单号从数据库
中获取到与该目标公众责任险保单相关的其它信息。
报价人，一般指对某公众责任险保单进行报价、承保的保险公司。上述的目标报价
人信息可以包括报价的保险公司信息、核保人的偏好以及业务与核保人的偏好匹配度等相
关信息。
102、根据所述目标公众责任险保单的风险标的信息和投保人信息计算风险标的
的第一核保因子；
在获取到目标公众责任险保单之后，可以根据所述目标公众责任险保单的风险标
的信息和投保人信息计算风险标的的第一核保因子。
进一步地，所述风险标的信息可以包括风险标的的类型、地理位置信息、赔偿限额
和安全设施信息。图2示出了图1对应实施例中一种公众责任险保单的核保方法的步骤102
在一个应用场景下的流程示意图，上述步骤102具体可以包括：
201、查询所述风险标的的类型对应的标的类型基准损失率作为第一低层调整因
子；
202、确定与所述投保人信息对应的第二低层调整因子；
203、确定与所述风险标的的地理位置信息对应的第三低层调整因子；
204、确定与所述风险标的的赔偿限额对应的第四低层调整因子；
205、确定与所述风险标的的安全设施信息对应的第五低层调整因子；
206、对所述第一低层调整因子、第二低层调整因子、第三低层调整因子、第四低层
调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核保因子。
对于上述步骤201，所述标的类型基准损失率是保险系统或保险行业中统计得到
的某类型的风险标的承保后单位保险金额的保险赔偿率，其是保险公司针对某风险标的的
公众责任险保单进行报价和风险评估的重要参数。该风险标的类型对应的标的类型基准损
失率可以通过查询基准损失率的统计表获得。需要说明的是，对于不同承保的保险公司来
说，同一风险标的类型对应的标的类型基准损失率可能不相同，甚至风险标的的分类也不
相同，具体可以根据实际应用情况进行设定。
对于上述步骤202，所述投保人信息可以包括投保人的资质和类型。报价的保险公
司可以针对不同资质或类型的投保人分为若干个档次，每个档次的投保人对应预设一个低
层调整因子。
对于上述步骤203，可以理解的是，公众责任险保单的风险标的的地理位置信息对
保单的风险评估有着极其重要的作用，不同的地理位置信息对应有不同程度的公众责任风
险。例如，人流量大的地区(地理位置)，则公众责任风险相对较高；而人流量小的地区，则公
众责任风险相对较低。报价的保险公司可以针对风险标的的不同地理位置信息根据地区的
公众责任索赔指数分为若干个档次，每个档次的地理位置信息对应预设一个低层调整因
子，这些预设的低层调整因子从一定程度上反应了相应的风险程度。
对于上述步骤204，可以理解的是，公众责任险保单的风险标的的赔偿限额对保单
的风险评估有着极其重要的作用，不同的赔偿限额对应有不同程度的风险。所述赔偿限额
包括总赔偿限额和/或每次赔偿限额，对于赔偿限额较高的公众责任险，则风险也相对较
高，反之，则风险相对较低。报价的保险公司可以针对风险标的的不同赔偿限额分为若干个
档次，每个档次的赔偿限额对应预设一个低层调整因子，这些预设的低层调整因子从一定
程度上反应了相应的风险程度。
对于上述步骤205，可以理解的是，公众责任险保单的风险标的的安全设施信息对
保单的风险评估有着极其重要的作用，不同的安全设施信息对应有不同程度的风险。所述
安全设施信息可以包括公众责任险标的所在区域是否设置有紧急出口、逃生路线、灭火器、
消防栓、自动报警系统、自动灭火系统、24小时闭路电视等设施信息，以及是否配备有安保
人员等信息。可见，不同的安全设施对于公众责任险标的而言，其风险的应对能力不一样。
报价的保险公司可以针对风险标的的不同安全设施信息分为若干个档次，每个档次的安全
设施信息对应预设一个低层调整因子，这些预设的低层调整因子从一定程度上反应了相应
的风险程度。
需要说明的是，上述步骤201～205之间不限定先后顺序，例如，步骤202可以于步
骤201、203～205中任一步骤前面执行，也可以于步骤201、203～205中任一步骤后面执行，
甚至可以与步骤201、203～205中任一步骤同时执行。
对于上述步骤206，在确定出第一低层调整因子、第二低层调整因子、第三低层调
整因子、第四低层调整因子和第五低层调整因子之后，可以对所述第一低层调整因子、第二
低层调整因子、第三低层调整因子、第四低层调整因子和第五低层调整因子进行预处理，得
到所述风险标的的第一核保因子。可以理解的是，具体地，可以采用X＝ψ(a1,a2,a3,a4,a5)
进行预处理，其中，a1～a5分别表示第一低层调整因子、第二低层调整因子、第三低层调整
因子、第四低层调整因子和第五低层调整因子，而ψ则为变换函数。
本实施例中，采用上述得到的第一核保因子来表示该目标公众责任险保单的风险
标的的基准损失率，通过将第一核保因子作为深度学习模型的输入，利用训练好的深度学
习模型中暗含的风险标的的基准损失率与核保结果之间的内在联系，从而将深度学习模型
的输出尽可能靠近准确的核保结果。
103、按照预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量
提取，得到所述风险标的的第二核保因子；
在获取到目标公众责任险保单和目标报价人信息之后，可以按照预设的向量模型
对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险标的的第二核保
因子。
进一步地，所述风险标的信息可以包括风险标的的承保范围、保额、历史赔付率、
市场环境信息和商业竞争信息，所述目标报价人信息包括目标报价人的保险公司信息。图3
示出了图1对应实施例中一种公众责任险保单的核保方法的步骤103在一个应用场景下的
流程示意图，如图3所示，上述步骤103具体可以包括：
301、确定与所述风险标的的承保范围对应的第一数值；
302、确定与所述风险标的的保额对应的第二数值；
303、确定与所述风险标的的历史赔付率对应的第三数值；
304、确定与所述风险标的的市场环境信息对应的第四数值；
305、确定与所述风险标的的商业竞争信息对应的第五数值；
306、确定与所述目标报价人的保险公司信息对应的第六数值；
307、将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入
预设的向量模型，得到所述风险标的的第二核保因子。
对于上述步骤301，所述承保范围可以包括公众责任险保单的主条款、附加条款、
限额等关于保单承保范围的信息。对于不同险种的公众责任险保单而言，保险公司可以预
先设定不同的第一数值对应不同的承保范围，第一数值越大，则表示承保范围越宽。
对于上述步骤302，可以直接采用风险标的的保额的数值作为第二数值，也可以由
保险公司预先设定不同的第二数值对应不同的保额区间，当风险标的的保额落入某个保额
区间时，则可以确定出该保额对应的第二数值。
对于上述步骤303，可以理解的是，对于保险公司而言，承保过的风险标的均具有
对应的历史赔付信息和历史赔付率。可以直接确定风险标的的历史赔付率为第三数值，例
如风险标的的历史赔付率为30％，则对应的第三数值为0.3；也可以由保险公司预先设定不
同的第三数值对应不同的赔付率区间，当风险标的的历史赔付率(可以为均值)落入某个赔
付率区间时，则可以确定出该历史赔付率对应的第三数值。
对于上述步骤304，对于同一风险标的而言，不同的市场环境同样对风险标的的报
价和风险评估造成影响。上述的市场环境信息可以是针对某类风险标的而言，该市场环境
的评分。因此，可以预先对不同的市场环境信息进行调查、整理和分析，从而为不同的市场
环境信息预设对应的不同的第四数值。
对于上述步骤305，同理，对于同一风险标的而言，不同的商业竞争同样对风险标
的的报价和风险评估造成影响。上述的商业竞争信息可以是针对某类风险标的而言，对商
业竞争的激烈程度的评分。因此，可以预先对不同的商业竞争信息进行调查、整理和分析，
从而为不同的商业竞争信息预设对应的不同的第五数值。
对于上述步骤306，可以理解的是，对于不同的报价人所处的保险公司，可以对应
设置不同的第六数值作为保险公司信息的“评分”，一般来说，该第六数值与保险公司的品
牌实力相关，具体地，可以是保险公司的品牌实力越强，则对应的第六数值越大，而保险公
司的品牌实力越弱，则对应的第六数值越小。
需要说明的是，上述步骤301～306之间不限定先后顺序，例如，步骤302可以于步
骤301、303～306中任一步骤前面执行，也可以于步骤301、303～306中任一步骤后面执行，
甚至可以与步骤301、303～306中任一步骤同时执行。
对于上述步骤307，预设的向量模型具体可以表示为Y＝(b1,b2,b3,b4,b5,b6)，其
中，b1～b6分别表示所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值。
进一步地，在将所述第一数值、第二数值，第三数值、第四数值、第五数值和第六数值导入预
设的向量模型，还可以将得到的向量进行标准化处理，标准化处理后得到所述风险标的的
第二核保因子。
104、将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深
度学习模型；
在得到所述第一核保因子和所述第二核保因子之后，可以将所述第一核保因子和
所述第二核保因子作为输入投入至预先训练好的深度学习模型。
进一步地，如图4所示，所述深度学习模型可以由以下步骤预先训练得到：
401、获取作为样本的公众责任险保单以及与所述公众责任险保单对应的报价人
信息；
402、根据所述公众责任险保单的风险标的信息和投保人信息计算风险标的的第
一样本因子；
403、按照预设的向量模型对所述公众责任险保单的风险标的信息和所述报价人
信息进行向量提取，得到风险标的的第二样本因子；
404、将所述第一样本因子和所述第二样本因子作为输入投入至所述深度学习模
型，得到所述深度学习模型的输出；
405、将得到的所述输出作为目标，调整所述深度学习模型的隐层参数，以最小化
得到的所述输出与所述公众责任险保单的核保结果之间的误差；
406、若所述误差满足预设条件，则确定当前的所述深度学习模型为训练好的深度
学习模型。
对于上述步骤401，首先需要获取作为样本的公众责任险保单以及与所述公众责
任险保单对应的报价人信息。在本实施例中，上述样本可以是正样本和/或负样本，一般来
说，对深度学习模型进行训练时，可以采用大量预先标记好的样本进行训练。而后续正样本
和负样本可以用于对训练好的深度学习模型进行验证和修正。
对于上述步骤402，在获取到作为样本的公众责任险保单以及与所述公众责任险
保单对应的报价人信息之后，可以根据所述公众责任险保单的风险标的信息和投保人信息
计算风险标的的第一样本因子。其中该第一样本因子的具体计算方法与上述步骤102类似，
具体可以参考关于步骤102第一核保因子的具体计算过程，此处不再赘述。
对于上述步骤403，在获取到作为样本的公众责任险保单以及与所述公众责任险
保单对应的报价人信息之后，可以按照预设的向量模型对所述公众责任险保单的风险标的
信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子。其中该第二样本因
子的具体计算方法与上述步骤103类似，具体可以参考关于步骤103第二核保因子的具体计
算过程，此处不再赘述。
对于上述步骤404，该深度学习模型的输出与作为样本的第一样本因子和第二样
本因子的输入相对应。因此，一般来说，在深度学习模型的训练过程中，该深度学习模型的
输出与作为样本的公众责任险保单的实际核保结果存在或多或少的出入，也即误差。
对于上述步骤405，可以通过不断调整所述深度学习模型的隐层参数，使得所述输
出与所述公众责任险保单的核保结果之间的误差最小化，对深度学习模型逐层进行监督学
习和训练。可以理解的是，所述深度学习模型包括N个隐层，其中N≥1，N的具体数值可以根
据实际情况设定。在对深度学习模型进行训练时，可以通过调整这N个隐层的参数，实现对
当前深度学习模型的输出的值进行调整，在调整的过程中对比其与公众责任险保单的核保
结果之间的误差，尽可能使得误差最小。误差越小，则表示当前的深度学习模型训练效果越
好，反之，则训练效果越差。
对于上述步骤406，可以理解的是，可以反复执行上述步骤401～405，使用大量的
样本对深度学习模型进行训练。训练后，当该误差满足预设条件时，则可以认为当前的深度
学习模型已经完成训练。该预设条件例如可以是：采用M个样本进行训练，其中K个样本对应
的输出与核保结果之间的误差小于10％，并且K/M大于等于50％，也即满足一定条件的误差
对应的样本的比例超过设定的阈值，则可以认为误差满足预设条件。
105、获取所述深度学习模型的输出作为所述目标公众责任险保单的核保结果。
在将所述第一核保因子和所述第二核保因子作为输入投入至预先训练好的深度
学习模型之后，可以获取到所述深度学习模型的输出，然后将该输出作为所述目标公众责
任险保单的核保结果。
进一步地，上述步骤105具体可以包括：判断所述深度学习模型的输出是否满足预
设的阈值条件，若否，则将所述目标公众责任险保单对应的输入和输出作为负样本反馈至
所述深度学习模型，以修正所述深度学习模型的隐层参数，若是，则确定所述深度学习模型
的输出为所述目标公众责任险保单的核保结果，并将所述目标公众责任险保单对应的输入
和输出确定为用于训练所述深度学习模型的新增的正样本。
可以理解的是，对于采用深度学习模型得到的输出，可以预先对所述目标公众责
任险保单的核保结果进行估算，例如可以根据核保人对某一类型的公众责任险保单的核保
结果进行数据统计，得到这一类型的公众责任险保单的核保结果均值，然后在该核保结果
均值的基础上设定上下波动的阈值范围，比如±10％，即可形成这一类型的公众责任险保
单的阈值条件。当深度学习模型的输出不满足该阈值条件时，则认为该输出与正常的核保
结果偏差较大，然后将所述目标公众责任险保单对应的输入和输出作为负样本反馈至深度
学习模型中，以便对深度学习模型的隐层参数进行修正。
另外，当所述深度学习模型的输出满足预设的阈值条件时，则不仅可以确定所述
深度学习模型的输出为所述目标公众责任险保单的核保结果，而且可以将该目标公众责任
险保单对应的输入和输出确定为用于训练所述深度学习模型的新增的正样本，增加深度学
习模型用于训练的正样本数量，提高深度学习模型的训练完成度。
本实施例中，首先，获取目标公众责任险保单以及目标报价人信息；然后，根据所
述目标公众责任险保单的风险标的信息和投保人信息计算风险标的的第一核保因子；按照
预设的向量模型对所述风险标的信息和所述目标报价人信息进行向量提取，得到所述风险
标的的第二核保因子；接着，将所述第一核保因子和所述第二核保因子作为输入投入至预
先训练好的深度学习模型；最后，获取所述深度学习模型的输出作为所述目标公众责任险
保单的核保结果。在本实施例中，根据目标公众责任险保单的相关信息和目标报价人信息
计算得到第一核保因子和第二核保因子，并将这两个因子作为预先训练好的深度学习模型
的输入，从而将得到的深度学习模型的输出作为核保结果，利用深度学习模型自动实现公
众责任险保单的核保，避免了核保结果受核保人员的专业水平以及从业经验影响的问题，
提高了公众责任险保单的核保准确率；并且，在保证准确率的前提下大大提升了核保效率，
在面对大量的公众责任险保单核保任务时，也能快速完成核保任务，降低了核保成本。
上面主要描述了一种公众责任险保单的核保方法，下面将对一种公众责任险保单
的核保装置进行详细描述。
图5示出了本发明实施例中一种公众责任险保单的核保装置一个实施例结构图。
本实施例中，一种公众责任险保单的核保装置包括：
信息获取模块501，用于获取目标公众责任险保单以及目标报价人信息；
第一核保因子计算模块502，用于根据所述目标公众责任险保单的风险标的信息
和投保人信息计算风险标的的第一核保因子；
第二核保因子获取模块503，用于按照预设的向量模型对所述风险标的信息和所
述目标报价人信息进行向量提取，得到所述风险标的的第二核保因子；
输入模块504，用于将所述第一核保因子和所述第二核保因子作为输入投入至预
先训练好的深度学习模型；
核保结果获取模块505，用于获取所述深度学习模型的输出作为所述目标公众责
任险保单的核保结果。
进一步地，所述深度学习模型可以由以下模块预先训练得到：
样本获取模块，用于获取作为样本的公众责任险保单以及与所述公众责任险保单
对应的报价人信息；
第一样本因子计算模块，用于根据所述公众责任险保单的风险标的信息和投保人
信息计算风险标的的第一样本因子；
第二样本因子获取模块，用于按照预设的向量模型对所述公众责任险保单的风险
标的信息和所述报价人信息进行向量提取，得到风险标的的第二样本因子；
学习模型训练模块，用于将所述第一样本因子和所述第二样本因子作为输入投入
至所述深度学习模型，得到所述深度学习模型的输出；
隐层参数调整模块，用于将得到的所述输出作为目标，调整所述深度学习模型的
隐层参数，以最小化得到的所述输出与所述公众责任险保单的核保结果之间的误差；
学习模型确认模块，用于若所述误差满足预设条件，则确定当前的所述深度学习
模型为训练好的深度学习模型。
进一步地，所述风险标的信息可以包括风险标的的类型、地理位置信息、赔偿限额
和安全设施信息；
所述第一核保因子计算模块具体可以包括：
第一因子单元，用于查询所述风险标的的类型对应的标的类型基准损失率作为第
一低层调整因子；
第二因子单元，用于确定与所述投保人信息对应的第二低层调整因子；
第三因子单元，用于确定与所述风险标的的地理位置信息对应的第三低层调整因
子；
第四因子单元，用于确定与所述风险标的的赔偿限额对应的第四低层调整因子；
第五因子单元，用于确定与所述风险标的的安全设施信息对应的第五低层调整因
子；
因子预处理单元，用于对所述第一低层调整因子、第二低层调整因子、第三低层调
整因子、第四低层调整因子和第五低层调整因子进行预处理，得到所述风险标的的第一核
保因子。
进一步地，所述风险标的信息可以包括风险标的的承保范围、保额、历史赔付率、
市场环境信息和商业竞争信息，所述目标报价人信息可以包括目标报价人的保险公司信
息；
所述第二核保因子获取模块具体包括：
第一数值单元，用于确定与所述风险标的的承保范围对应的第一数值；
第二数值单元，用于确定与所述风险标的的保额对应的第二数值；
第三数值单元，用于确定与所述风险标的的历史赔付率对应的第三数值；
第四数值单元，用于确定与所述风险标的的市场环境信息对应的第四数值；
第五数值单元，用于确定与所述风险标的的商业竞争信息对应的第五数值；
第六数值单元，用于确定与所述目标报价人的保险公司信息对应的第六数值；
向量模型导入单元，用于将所述第一数值、第二数值，第三数值、第四数值、第五数
值和第六数值导入预设的向量模型，得到所述风险标的的第二核保因子。
进一步地，所述核保结果获取模块具体可以包括：
输出判断单元，用于判断所述深度学习模型的输出是否满足预设的阈值条件；
负样本反馈单元，用于若所述深度学习模型的输出不满足预设的阈值条件，则将
所述目标公众责任险保单对应的输入和输出作为负样本反馈至所述深度学习模型，以修正
所述深度学习模型的隐层参数；
正样本反馈单元，用于若所述深度学习模型的输出满足预设的阈值条件，则将所
述目标货运险保单对应的输入和输出作为正样本反馈至所述深度学习模型，以指导所述深
度学习模型的隐层参数学习；
核保结果确定单元，用于若所述深度学习模型的输出满足预设的阈值条件，则确
定所述深度学习模型的输出为所述目标公众责任险保单的核保结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，
装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以
通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的
划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件
可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或
讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦
合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以
是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用
时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式
体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全
部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only
Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程
序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前
述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前
述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些
修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。